一种基于无监督学习和深层网络的指静脉识别方法及系统技术方案

本发明专利技术公开了一种基于无监督学习和深层网络的指静脉识别方法及系统，其中指静脉识别方法包括：对待注册指静脉图像依次进行预处理，获取预处理后的待注册指静脉图像；采用训练好的深度神经网络模型对预处理后的待注册指静脉图像进行待注册特征提取处理，获取待注册指静脉图像的深层特征；并构建注册后的留存深层特征模板库；采集待识别指静脉图像将待识别指静脉图像依次进行预处理和深层特征处理，获取待识别指静脉图像深层特征；采用Softmax分类器对待识别指静脉图像深层特征与注册后的留存深层特征模板库进行分类匹配识别处理，获取匹配识别结果。在本发明专利技术实施例中，可以提取到更深层的指静脉深层特征，并且匹配识别效率更快，更准确。

【技术实现步骤摘要】
一种基于无监督学习和深层网络的指静脉识别方法及系统
本专利技术涉及生物特征识别
，尤其涉及一种基于无监督学习和深层网络的指静脉识别方法及系统。
技术介绍
基于生理特征和行为特征的自动身份认证技术的研究和应用日益广泛；当前社会对于高安全和更友好的身份认证的需求使得对生物识别技术提出了更高的要求；而指静脉具有活体性和唯一性，不会产生特征重复情况且允许非接触，因此成为生物识别领域内较受关注的一类。目前的指静脉识别系统或方法大多为基于领域内知识，涉及图像增强、滤波等；部分学者提出基于传统的神经网络实现指静脉身份认证，也有新的研究提出了基于自学习实现身份认证等方案。然而在指静脉识别还有大量关键性问题需要解决；目前亟待解决的问题有：具有描述性的特征难以提取，识别成功率依赖于指静脉图像成像质量等。现有的技术方案一提出采用基于概率统计的神经网络分类器和Radon特征来实现识别认证；作者提出了新的指静脉特征即Radon特征，利用神经网络完成分类匹配，通过实验在自建的数据库上取得了不错的效果；技术方案一中在模型训练中数据库的样本数量太少，提取出的特征很难确定是否能在在别的数据集上尤其是含有大量噪声本文档来自技高网...

【技术保护点】
一种基于无监督学习和深层网络的指静脉识别方法，其特征在于，所述指静脉识别方法包括：S11：对待注册指静脉图像依次进行手指区域提取、数据标准化与图像增强预处理，获取预处理后的待注册指静脉图像；S12：采用训练好的深度神经网络模型对所述预处理后的待注册指静脉图像进行待注册特征提取处理，获取待注册指静脉图像的深层特征；S13：根据所述待注册指静脉图像的深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；S14：采集待识别指静脉图像将所述待识别指静脉图像依次进行S11、S12步骤处理，获取待识别指静脉图像深层特征；S15：采用Softmax分类器对所述待识别指静脉图像深层特征与所述注册后...

【技术特征摘要】
1.一种基于无监督学习和深层网络的指静脉识别方法，其特征在于，所述指静脉识别方法包括：S11：对待注册指静脉图像依次进行手指区域提取、数据标准化与图像增强预处理，获取预处理后的待注册指静脉图像；S12：采用训练好的深度神经网络模型对所述预处理后的待注册指静脉图像进行待注册特征提取处理，获取待注册指静脉图像的深层特征；S13：根据所述待注册指静脉图像的深层特征进行注册并构建模板库处理，获取注册后的留存深层特征模板库；S14：采集待识别指静脉图像将所述待识别指静脉图像依次进行S11、S12步骤处理，获取待识别指静脉图像深层特征；S15：采用Softmax分类器对所述待识别指静脉图像深层特征与所述注册后的留存深层特征模板库进行分类匹配识别处理，获取匹配识别结果。2.根据权利要求1所述的基于无监督学习和深层网络的指静脉识别方法，其特征在于，所述对待注册指静脉图像进行手指区域提取预处理，包括：对待注册指静脉图像首先采用Sobel边缘检测算子提取边缘，然后进行轮廓提取，提取待注册指静脉图像的轮廓，再依据待注册指静脉图像的轮廓的延展性和平滑性，去除不符合手指延展方向的分支，并对残缺的待注册指静脉图像的轮廓进行延长，获取延长图像记为x1；对待注册指静脉图首先采用Prewitt算子检测图像中边缘，变为二值图像，而后通过图像两边的手指起点和终点位置，取其两端中点连线为基线，选用最小二乘法对中间线进行拟合，然后取两边相同距离的点集组成手指轮廓，获取轮廓中间的图像记为x2；采用延长图像记为x1和轮廓中间的图像记为x2进行叠加，获取完整的待注册指静脉图像的区域图像记为x3。3.根据权利要求1所述的基于无监督学习和深层网络的指静脉识别方法，其特征在于，所述对待注册指静脉图像进行数据标准化与图像增强预处理，包括：将完整的待注册指静脉图像的区域图像进行尺寸归一化和标准化处理，获取尺寸归一化和标准化处理的区域图像；采用直方图映射对所述尺寸归一化和标准化处理的区域图像进行对比度增强处理，获取图像增强后的区域图像；其中，所述尺寸归一化采用三次插值实现，对所有的区域图像均值变为0，方差变为1；所述直方图映射的映射系数是通过遗传算法获取的。4.根据权利要求1所述的基于无监督学习和深层网络的指静脉识别方法，其特征在于，所述深度神经网络模型训练过程，包括：构建初始深度神经网络模型；将待训练的指静脉图像至少分为三个集合，第一子集合、第二子集合和第三子集合；分别对所述第一子集合、所述第二子集合和第三子集合内的待训练指静脉图像依次进行手指区域提取、标准化与图像增强预处理，获取预处理后的第一子集合、第二子集合和第三子集合；对所述预处理后的第一子集合内待训练指静脉图像进行自学习特征提取处理，获取所述第一子集合内待训练指静脉图像的定向特征；采用所述第一子集合内待训练指静脉图像的定向特征和所述预处理后的第二子集合内待训练指静脉图像对初始深度神经网络模型进行训练处理，获取训练后的深度神经网络模型；采用预处理后的所述第三子集合内待训练指静脉图像对所述训练后的深度神经网络模型进行测试，获取测试结果；判断所述测试结果的真确识别率识别是否小于预设阈值，若是，则所述训练后的深度神经网络模型为训练好的深度神经网络模型，若否，则返回训练步骤继续训练。5.根据权利要求4所述的基于无监督学习和深层网络的指静脉识别方法，其特征在于，所述对所述预处理后的第一子集合内待训练指静脉图像进行自学习特征提取处理，包括：构建三层自编神经网络模型，包括输入层、隐藏层和输出层，并限定所述隐藏层的隐藏单元个数为50个；将所述第一子集合内的待训练指静脉图像通过所述输入层输入所述隐藏层中进行迭代训练后，采用不同隐藏单元在待训练指静脉图像不同的位置和方向进行边缘检测，获取所述第一子集合内的待训练指静脉图像定向特征；将所述...

【专利技术属性】
技术研发人员：胡建国，王金鹏，王德明，丁颜玉，
申请(专利权)人：广州智慧城市发展研究院，
类型：发明
国别省市：广东,44